سنجش اعتبار مشتریان با شبکه عصبی مصنوعی

در اعطاي تسهيلات كه يكي از عمده‌ترين فعاليت‌هاي بانك‌ها و موسسات اعتباري است براي تصميم گيري صحيح، بايد درجه اعتبار و قدرت بازپرداخت اصل و سود تسهيلات دريافت كننده را تعيين نمود تا احتمال عدم برگشت اصل و سود تسهيلات اعطايي، يعني ريسك درجه اعتبار، كاهش يابد. يكي از روش‌هاي كاهش اين ريسك، طراحي نظام تعيين درجه اعتباري براي دريافت كنندگان تسهيلات است و كانون اين نظام، مدل رتبه بندي يا ارزيابي اعتباري است. در تصويب اعتبارات، ارزيابي اعتبار مشتريان يكي از موارد بسيار پيچيده در فعاليت‌هاي مالي به شمار مي‌رود.

اين پژوهش با هدف ارائه مدل مناسب جهت بررسي رفتار اعتباري مشتريان تسهيلات با استفاده از شبكه هاي عصبي جهت رتبه بندي اعتباري، ابتدا عوامل مهم تاثير گذار بر رفتار اعتباري مشتريان را شناسايي و سپس امتیاز خوش حسابی مشتريان  رامحاسبه مینماید. در مرحله بعد مدلهاي شبكه عصبي پس از طراحي؛ با داده‌هاي آموزشي؛ آموزش داده شده و سپس با داده‌هاي آزمايشي مورد آزمايش قرار گرفتند. نتايج بدست آمده نشان داد كه رفتار اعتباري مشتريان با استفاده از مدلهاي رتبه بندي شبكه‌هاي عصبي قابل پيش بيني است.

در این پژوهش جامعه آماری شامل 50 هزار نفر از مشتریان تحصیلات فروش اقساطی یک شرکت لیزینگ طی سالهای 82 تا 86 می باشند. که از مجموع آن 1000 نفر از مشتریان بعنوان معیاری جهت تحقیق روند و مطالعه رفتار مشتریان استفاده شده است.

رتبه بندي اعتبار

بخاطر اينكه بانك‌ها همواره نگران بازگشت اصل سرمايه به همراه سود حاصل از اعطاي اعتبار هستند. آنچه در اعطاي تسهيلات اعتباري از اهميت ويژه‌اي برخوردار است بررسي و ارزيابي احتمال بازگشت اصل سرمايه به همراه سود حاصل از اعطاي اعتبار  است و بانکها و شرکتهای لیزینگ نيز سعي مي‌كند تسهيلات بانكي را به اشخاصي اعطا نمايد كه آن اشخاص توان پرداخت اصل وام را به همراه سود حاصل از آن در موعد مقرر داشته  و به بیان دیگر شخصي را انتخاب نمايد كه داراي حداقل ريسك باشد.رتبه بندي اعتبار به طور اساسي يك راه تشخيص تفاوت‌هاي گروه‌ها در يك جمعيت است.دانهم[1] در سال 1938 اولين سيستم ارزيابي تقاضا نامه‌هاي اعتباري را با بكارگيري پنج معيار موقعيت [2]، درآمد[3]، وضعيت مالي[4]، ضامن يا وثيقه[5] و اطلاعات بازپرداخت وام از بانك‌ها[6] توسعه داد. وی استدلال كرد كه اهميت معيارهاي مختلف بايد براساس تجربه مشخص گردد.رتبه بندي اعتبار يك روش آماري است كه جهت پيش يبني احتمال خطاي وام گيرندگان آتي و يا اينكه چقدر از وام گيرندگان فعلي دچار قصور مي‌شوند به كار مي‌رود.

از ديدگاه توماس اولين تصميم كه مربوط به اعطا يا عدم اعطا وام به مشتريان جديد است متدهاي رتبه بندي اعتبار و نوع دوم كه چگونه با مشتري موجود رفتار كنيم ، مدل‌هاي رتبه بندي رفتاري است.

1-      ارکان و اساس بیولوژیک شبكه‌هاي عصبي[7]

شبكه هاي عصبي يك تكنيك پردازش اطلاعات مبتني بر روش سيستم هاي عصبي بيولوژيكي مانند مغز و پردازش اطلاعات است. مفهوم بنيادي شبكه هاي عصبي ، ساختار سيستم پردازش اطلاعات است كه از تعداد زيادي واحدهاي پردازشي (نورون‌) مرتبط با شبكه ها تشكيل شده اند‌.

مغز به عنوان يك سيستم پردازش اطلاعات با ساختار موازي از صد تريليون نورون به هم مرتبط با تعداد¹⁶ 10   ارتباط تشكيل شده است. نورون عنصر اصلي مغز است و به تنهايي مانند يك واحد پردازش منطقي عمل مي‌كند.هر نورون طبيعي از سه قسمت اصلي تشكيل شده است:

1ـ بدنه سلولي [8]:‌كه هسته در آن است و ساير قسمت‌هاي سلولي از آن منشا گرفته است. 2ـ دندريت [9]  3ـ  آكسون [10]

دندريتها نقش اتصالاتي را دارند كه ورودي‌ها را به نورون‌ها مي‌رسانند. آكسون ها به عنوان خروجي نورون عمل مي‌كند. رشته اكسون در نقطه تماس معيني به نام سيناپس قطع مي‌شود و در اين مكان به دندريت سلول ديگر وصل مي‌شود.

طراحی و اجرای مدل

در این پژوهش فرضیه اصلی این است که با استفاده از مختصات مشتريان اعتباري (شغل، درآمد،...) مي‌توان مشتريان اعتباري موسسات مالی و اعتباری (شرکتهای لیزینگ و بانکها ) را رتبه بندي نمود.

بر اساس ارزیابی انجام شده به روش دلفی و نظر سنجی خبرگان شاخص هائی بعنوان مختصات و شاخص های تاثیر گذار بر رتبه اعتباری فرد مورد توجه قرار گرفت.آنچه که در بررسی فاکتورهای مشتریان حائز اهمیت است توجه به جنبه سندیت این فاکتورها می باشد، از اینرو عواملی بعنوان ویژگیهای مشتریان مورد توجه قرا می گیرد که ضمن نمایش وضعیت متغیرهای وابسته مربوط به هر یک از مشتریان از اعتبار و سندیت لازم برخوردارباشد. این فاکتورها در این پژوهش در غالب متغیرهای برآورد کننده بیان شده است.در این نظر سنجی پرسشنامه شماره 1 بین 25 نفر از کارشناسان با تجربه در صنعت لیزینگ توزیع گردید .همچنین بمنظور ارزیابی رتبه اعتباری فرد و پس از بررسی های لازم در خصوص شاخص های مختلف نسبت زیر بعنوان شاخص نهائی ارزیابی خوش حسابی مشتری مورد نظر قرار گرفت :

(تعداد اقساط سررسید شده) / (تعداد اقساط پرداخت شده )  = )امتیاز خوش حسابی

این امتیاز بعنوان یکی از داده های ورودی به سیستم در مرحله آموزش مورد استفاده قرار گرفت و در مرحله تست ، سیستم آموزش دیده نتایج حاصل انجام محاسبات را با امتیاز خوش حسابی فرد مقایسه و درصد خطا مورد محاسبه قرار گرفت.

در این تحقیق داده ها تعداد 1000 پرونده از مشتریان انتخاب گردید که تعداد  800  تا بعنوان نمونه های آموزش و بقیه یعنی 200  تا بعنوان نمونه آزمایشی مورد استفاده قرار گرفت و تعداد آموزش  20000 بار تقریباً در این شبکه جواب مناسب و قابل قبولی ارائه می دهد.

پس از بررسی پرونده ها مشاهده شد که  48 درصد پرونده ها مربوط به تسهیلات باریسک اعتباری پائین (خوش حساب) ، 6/25 درصد پرونده ها مربوط به تسهیلات با ریسک اعتباری متوسط( دارای 1 تا 10 قسط معوق) و  4/26 درصد پرونده ها مربوط به تسهیلات باریسک بالا (بین 11 تا 60 قسط معوق ) است.

اطلاعات جمع آوري شده در مراحل زیر مورد بررسي و تجزيه و تحليل قرار مي‌گيرد.

مرحله اول: در اين مرحله داده‌هاي جمع آوري شده از سیستم جامع لیزینگ  و حذف داده های غیرضروری و تصحيح آن

مرحله دوم: طبقه بندي و كدگذاري داده‌هاي پژوهشي

مرحله سوم: بررسي و فرايند داده آمايي با استفاده از نرم افزار    داده ( بردار ورودی با  7  مقدار ورودی )

در ادامه بمنظور آماده سازی داده ها ابتدا فرم شناسائی شاخص های مهم طراحی و نظر 25 نفر از خبرگان صنعت لیزینگ اخذ گردید.این خبرگان از مجموع 180 نفر از کارکنان شرکت و با توجه به فاکتورهائی همچون محل خدمت ، سابقه کار در شرکت لیزینگ و میزان تحصیلات انتخاب شده اند.پس از انجام نظرسنجی و جمع بندی امتیازات ، شاخص هایی بعنوان مهمترین شاخص های ارزیابی وضعیت خوش حسابی مشتریان انتخاب گردید.همچنین بر اساس نظر کلیه افراد شرکت کننده در جلسه نظر سنجی ، مصوب گردید شاخص هائی بعنوان شاخص های ارزیابی خوش حسابی فرد انتخاب شوند که 75% آرا را در نظر سنجی به خود اختصاص بدهند.

برای آموزش شبکه از شبکه عصبی پیش خور[11] عمومیت یافته با چهار لایه که مقدار 7  عنصر در لایه اول  ویک عنصر در لایه آخر و عناصر مختلف در دو لایه پنهان میانی ( در مدل  و   ) استفاده گردیده است. تعداد نورون در لایه آخر برابر با تعداد خروجی شبکه که در این پژوهش شامل یک خروجی است انتخاب شده است. تعداد نورون در لایه اول شامل تعداد ورودیها یعنی 7 در نظر گرفته شده است و تعداد نورون در لایه میانی با توجه به مؤثر بودن شبکه تعیین می شود.تعداد نودها در مدل  در لایه اول برابر با10و تعداد نود در لایه دوم برابر با 5 می باشد و تعداد نودها در مدل  در لایه اول برابر با20  وتعداد نود در لایه دوم برابر با 10می باشدکه در شکل زیر نشان داده شده است.

نرم افزار مورد استفاده پشتیبانی تا 50000 عدد آموزش را انجام می داد ولی  در این تحقیق آموزش شبکه به تعداد 20000 بار  انجام شد. نتایج بدست آمده از تعداد آموزش 20000 عدد با خطای کمتری انجام گردید. سپس نتیجه بر آن شد که از شبکه پرسپترون چند لایه پسخور عمومیت یافته با تعداد 2 لایه پنهان با عناصر لایه پنهان1-5-10-7  مدل  و1-10-20-7  مدل  ، تابع تانژانتی با تعداد آموزش 20000  بار برای مدل  و 20000  بار برای مدل  استفاده شد .

شبکه عصبی با داده های آموزشی که شامل 800 مثال می شد که 386 مثال با ریسک پایین ، 203  مثال با ریسک متوسط و 211 مثال با ریسک بالا آموزش داده شد.در مدل نهایی متغیرهای زیر بعنوان ورودی است .

1-       درآمد 2- تحصیلات 3- شغل متقاضی  4- شغل ضامن 5-  جنسیت متقاضی سن متقاضی 7- استان محل اقامت

پس از اجرای نرم افزار و بکارگیری 20000تکرار میزان خطا روبه کاهش گذارده و به سطح رسید .

بر این اساس شبکه با دو لایه پنهان توانست است به خوبی داده های ورودی را آموزش ببیند و خطا را در حد مطلوبی پایین  آورد. لازم به ذکر است که با زیاد تر کردن تعدادایترشیون بهبود بهتری در مقدار خطا  مشاهده خواهد شد و نتایج اجرای مدل  نشان می دهد که مدل توانسته است امتیاز خوش حسابی مشتریان با دقت بالائی برآوردنماید.

از زمانی که مدل نهائی گردید (اسفند 88) ، مدل طراحی شده برای تعداد 50 نفر از متقاضیان جدید بکار گرفته شد که نتایج بسیار خوبی را در بر داشت.مطابق اطلاعات دریافتی از مشتریان جدید ، امتیاز خوش حسابی متقاضیان جدید توسط سیستم برآورد گردید و بر اساس آن درخواست ها به سه دسته پذیرش شده ، پذیرش مشروط به شرط افزایش تضامین و عدم پذیرش تقسیم بندی گردید و بنابراین دسته بندی مشتریان جدید تقاضای 28 نفر پذیرش گردید و تقاضای 14 نفر بصورت مشروط مورد قبول قرار گرفت و تقاضای 8 نفر پدیرفته نشد.

نتیجه گیری

 در این پژوهش به بررسی این فرضیه پرداخته شد با استفاده از شبکه عصبی پرسپترون چند لایه میتوان مشتریان اعتباری بانک را رتبه بندی نمود.این فرضیه که جزء نوآوریهای پژوهش محسوب می شود بدنبال آن بود که کارائی مدلهای شبکه عصبی را در برازش مدل مناسب به منظور برآورد رتبه و امتیاز خوش حسابی متقاضی ارزیابی نماید. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی پرسپترون چند لایه در دستیابی به این مقصود از کارایی لازم برخوردار هستند .

با توجه به جنبه های کاربردی و تئوریک پژوهش ، پیشنهادها در دو بخش پیشنهادهای کاربردی در نظام بانکی و لیزینگ و پیشنهادهای تئوریک  برای پژوهشهای آتی مطرح میشود .

1-       تنظیم و تدوین دستور العمل مربوط به ارزیابی مشتریان بر اساس نتایج این مدل

2-       طراحی سیستم نرم افزاری سیستم هوشمند جهت استفاده در اداره فروش شرکت لیزینگ  

3-    افزایش اطلاعات دریافتی از مشتریان بالاخص توجه با سابقه اعتباری مشتریان وتهیه و تنظیم سیستم کارآمد اخذ اطلاعات اعتباری از مشتریان تسهیلات اعتباری

4-       آموزش پرسنل مشاغل در بخش تسهیلات اعتباری به منظور استفاده از سیستم

مهندس داود امیدزاده